測(cè)井資料人工智能處理解釋的現(xiàn)狀及展望

王華,張雨順

(電子科技大學(xué)資源與環(huán)境學(xué)院,四川成都611731)

0 引 言

地球物理測(cè)井是在井筒開(kāi)鉆同時(shí)或開(kāi)鉆后,利用特定的儀器測(cè)量井下地層的物理、化學(xué)性質(zhì)、地層結(jié)構(gòu)及井身幾何特性,以了解井中及井周地層情況的一門(mén)學(xué)科。該學(xué)科的理論基礎(chǔ)為地質(zhì)學(xué)、物理學(xué)和數(shù)學(xué),涵蓋電子信息技術(shù)、傳感器技術(shù)、特定場(chǎng)景儀器的研發(fā)以及數(shù)據(jù)的高效傳輸和處理解釋等。它既是識(shí)別地下流體性質(zhì)、儲(chǔ)集層巖性及物性的有效途徑,也是石油工程技術(shù)人員解決相關(guān)問(wèn)題的必要資料來(lái)源。早在1876年,中國(guó)四川自貢地區(qū)就利用濕泥巴纏裹的木棒測(cè)量鹽鹵水層的深度和出水量。現(xiàn)代地球物理測(cè)井則起源于人們對(duì)石油資源探測(cè)的需求,物理學(xué)家于1927年將地面電阻率探礦裝置用于定性識(shí)別井中油水層。1942年,Archie的實(shí)驗(yàn)及分析結(jié)果將現(xiàn)代地球物理測(cè)井從定性推動(dòng)到定量化的階段,基于此結(jié)果建立起來(lái)的巖石物理體積模型為后續(xù)出現(xiàn)的各種測(cè)井方法的應(yīng)用提供了理論依據(jù)。經(jīng)過(guò)近一個(gè)世紀(jì)的發(fā)展,地球物理測(cè)井已經(jīng)成為石油科學(xué)的十大主干學(xué)科之一,也逐漸從油田勘探開(kāi)發(fā)拓展到了深地、深海、地下工程、生態(tài)監(jiān)測(cè)等領(lǐng)域。面對(duì)越來(lái)越復(fù)雜的應(yīng)用場(chǎng)景,測(cè)井領(lǐng)域研究往往是方法研究先行,在電子信息技術(shù)的發(fā)展下不斷發(fā)展新儀器。測(cè)井也從早期模擬記錄時(shí)代過(guò)渡到數(shù)字磁帶、數(shù)控測(cè)井時(shí)代,直到近20年的成像測(cè)井時(shí)代。新的儀器、采集方式、數(shù)據(jù)處理方法不斷涌現(xiàn),使得我們能獲取豐富的井下信息來(lái)定量評(píng)價(jià)地層巖性、物性、含油性等。

測(cè)井資料處理解釋長(zhǎng)期面臨的一個(gè)問(wèn)題是需要解釋專(zhuān)家具有豐富的區(qū)域地質(zhì)經(jīng)驗(yàn)。即便如此,不同專(zhuān)家的解釋結(jié)果還存在很大的差異,尤其是非常規(guī)油氣藏等復(fù)雜巖性的測(cè)井解釋。在電子信息技術(shù)的高速發(fā)展下,采用新的、高效的觀(guān)測(cè)方式和技術(shù)(如分布式光纖技術(shù)),服務(wù)公司得以快速實(shí)時(shí)地采集越來(lái)越多的測(cè)井?dāng)?shù)據(jù)。海量的數(shù)據(jù)隨時(shí)間增加呈指數(shù)增多,加劇了人工測(cè)井解釋的壓力,同時(shí)油田公司和服務(wù)公司普遍存在用人緊張的問(wèn)題。如何在新形勢(shì)下高效開(kāi)展地球物理測(cè)井資料解釋成為了一大難題。

互聯(lián)網(wǎng)時(shí)代下,大數(shù)據(jù)、機(jī)器學(xué)習(xí)(Machine Learning,ML)及人工智能(Artificial Intelligence,AI)正逐漸成為各個(gè)行業(yè)的熱門(mén)詞匯。自2016年起,幾乎所有石油行業(yè)相關(guān)會(huì)議都專(zhuān)門(mén)開(kāi)展了機(jī)器學(xué)習(xí)或人工智能與行業(yè)結(jié)合的主題探討會(huì)。許多勘探領(lǐng)域的學(xué)術(shù)期刊也專(zhuān)門(mén)為應(yīng)用于地球科學(xué)、石油工程領(lǐng)域的機(jī)器學(xué)習(xí)及大數(shù)據(jù)專(zhuān)題提供了專(zhuān)刊及主題會(huì)議[1]。各大國(guó)際石油公司和服務(wù)公司也在調(diào)整發(fā)展戰(zhàn)略,將數(shù)據(jù)作為寶貴資源,在數(shù)據(jù)科學(xué)、人工智能領(lǐng)域持續(xù)發(fā)力,如斯倫貝謝公司就已著手建設(shè)自己的智能化測(cè)井處理解釋平臺(tái)[2]。作為勘探和開(kāi)發(fā)領(lǐng)域中重要的組成部分,地球物理測(cè)井相關(guān)從業(yè)人員也在逐漸探尋人工智能、機(jī)器學(xué)習(xí)技術(shù)與自身研究領(lǐng)域的高效融合。

基于以上挑戰(zhàn)與機(jī)遇,本文首先介紹人工智能、機(jī)器學(xué)習(xí)間的關(guān)系,總結(jié)歸納若干類(lèi)較為典型的測(cè)井資料智能處理研究,并對(duì)測(cè)井資料智能解釋的未來(lái)提出思考及展望。

1 人工智能在測(cè)井資料處理解釋?xiě)?yīng)用的適用性分析

人工智能是指利用特定算法獲取信息后,執(zhí)行具有人類(lèi)特征任務(wù)的能力,如識(shí)別物體、聲音及從環(huán)境中學(xué)習(xí)以解決其他問(wèn)題。人工智能的關(guān)鍵在于自動(dòng)化方法的設(shè)計(jì),即設(shè)計(jì)出一種學(xué)習(xí)算法,使計(jì)算機(jī)能夠在沒(méi)有人類(lèi)干預(yù)或幫助的情況下自動(dòng)獲取知識(shí)。機(jī)器學(xué)習(xí)方法的不斷優(yōu)化,促進(jìn)了人工智能領(lǐng)域相關(guān)技術(shù)的發(fā)展。機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)子領(lǐng)域及統(tǒng)計(jì)學(xué)研究的領(lǐng)域之一,旨在針對(duì)給定數(shù)據(jù)設(shè)計(jì)及訓(xùn)練出具有拆分、排序、轉(zhuǎn)換等能力的特殊算法[3]。根據(jù)學(xué)習(xí)任務(wù)的特點(diǎn),可分為監(jiān)督學(xué)習(xí)(Supervised Learning)、無(wú)監(jiān)督學(xué)習(xí)(Unsupervised Learning)和半監(jiān)督學(xué)習(xí)(Semi-Supervised Learning)。

訓(xùn)練數(shù)據(jù)樣本包含了輸入向量以及對(duì)應(yīng)目標(biāo)向量的機(jī)器學(xué)習(xí)任務(wù)被稱(chēng)為監(jiān)督學(xué)習(xí)。根據(jù)學(xué)習(xí)目標(biāo)的不同,可分為分類(lèi)與回歸這2類(lèi)任務(wù):分類(lèi)任務(wù)用于為每個(gè)輸入向量分配離散標(biāo)簽;回歸任務(wù)則用于輸出1個(gè)或多個(gè)連續(xù)變量,以表征輸入變量與目標(biāo)變量之間的統(tǒng)計(jì)關(guān)系。諸如支持向量機(jī)(Support Vector Machine,SVM)[4]、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)[5]、決策樹(shù)(Decision Tree)、隨機(jī)森林(Random Forest)[6]等經(jīng)典監(jiān)督學(xué)習(xí)方法,正逐步被應(yīng)用到測(cè)井解釋作業(yè)中。

訓(xùn)練數(shù)據(jù)僅由1組輸入向量組成、不含對(duì)應(yīng)目標(biāo)標(biāo)簽的機(jī)器學(xué)習(xí)任務(wù)稱(chēng)為無(wú)監(jiān)督學(xué)習(xí)。根據(jù)學(xué)習(xí)目標(biāo)不同,無(wú)監(jiān)督學(xué)習(xí)任務(wù)可分為聚類(lèi)(Clustering)、密度估計(jì)(Density Estimation)與數(shù)據(jù)可視化(Visualization)等。聚類(lèi)任務(wù)的目標(biāo)是將樣本整體劃分為若干個(gè)由相似對(duì)象組成的類(lèi)簇;密度估計(jì)用于確定輸入數(shù)據(jù)在空間中的分布;數(shù)據(jù)可視化主要利用降維方法,將數(shù)據(jù)從高維空間投影到二維/三維空間,供從業(yè)人員直觀(guān)可視。常用無(wú)監(jiān)督方法包括K-Means聚類(lèi)[7]、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚類(lèi)[8]、主成分分析(Principal Component Analysis,PCA)[9]等。

為了最大限度提高機(jī)器學(xué)習(xí)任務(wù)模式識(shí)別能力,可構(gòu)建具有一定深度的模型,獲取數(shù)據(jù)更深層次的特征或表征,以提升算法在處理更大數(shù)據(jù)量、更高維度的數(shù)據(jù)集時(shí)的準(zhǔn)確度和可靠性。這些具有層次結(jié)構(gòu)更為復(fù)雜的機(jī)器學(xué)習(xí)方法被稱(chēng)為深度學(xué)習(xí)(Deep Learning,DL)[10],包括卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)[11]、堆棧自編碼網(wǎng)絡(luò)(Stacked Auto-Encoder Network)[12]、深度置信網(wǎng)絡(luò)(Deep Belief Nets)[13]等。

還有1類(lèi)模式識(shí)別任務(wù)利用少量標(biāo)簽數(shù)據(jù)和大量未標(biāo)簽的數(shù)據(jù)實(shí)現(xiàn),此類(lèi)任務(wù)即半監(jiān)督學(xué)習(xí)。研究表明,少量標(biāo)簽有助于顯著提升聚類(lèi)效果[14-15],結(jié)合無(wú)監(jiān)督學(xué)習(xí)降維方法的半監(jiān)督分類(lèi)任務(wù)則可在標(biāo)簽不足的情況下提升監(jiān)督學(xué)習(xí)分類(lèi)效果[16]。

通常而言,地球物理領(lǐng)域所獲取到的數(shù)據(jù)是海量的,數(shù)據(jù)分析人員可根據(jù)數(shù)據(jù)及待求任務(wù)的特點(diǎn),應(yīng)用或自定義最佳機(jī)器學(xué)習(xí)算法(見(jiàn)圖1)[17]。

圖1 多種機(jī)器學(xué)習(xí)算法使從業(yè)人員得以按需選擇(圖片重制自Bergen等[17])

整體而言,目前的地球物理測(cè)井領(lǐng)域的數(shù)據(jù)量呈現(xiàn)了大容量、多尺度、高維、多噪聲等特點(diǎn)。同時(shí),基于物理或經(jīng)驗(yàn)?zāi)Ｐ偷臄?shù)值模擬任務(wù)也為測(cè)井領(lǐng)域帶來(lái)了大量的待處理數(shù)據(jù)及海量的計(jì)算任務(wù):如Prioul等[18]基于物理模型正演了井外各向異性介質(zhì)(裂縫)對(duì)井壁電阻率成像、聲波測(cè)井、垂直地震剖面等的響應(yīng)情況,助力實(shí)際誘發(fā)裂縫方向研究;Wang等[19-21]則利用三維有限差分研究了套管偏心、不同膠結(jié)情況、方位竄槽等情況下的單極子和偶極子聲場(chǎng)特征,有助于利用聲波測(cè)井資料解釋套管井的固井質(zhì)量。基于物理模型驅(qū)動(dòng)的處理解釋的實(shí)例不勝枚舉,其核心在于探索以領(lǐng)域知識(shí)為基礎(chǔ)的變量間的可靠關(guān)系,所提供的假設(shè)及函數(shù)對(duì)應(yīng)的映射均來(lái)自用戶(hù)的有限定義,不同變量和潛在物理知識(shí)間的重要關(guān)系難免存在遺漏。以測(cè)井解釋為例,一個(gè)剛學(xué)完測(cè)井解釋課程的學(xué)生和一個(gè)有多年豐富地質(zhì)經(jīng)驗(yàn)積累的測(cè)井解釋資深專(zhuān)家給出的結(jié)果可能會(huì)完全不同。這是因?yàn)槌Ｒ?guī)定量解釋手段往往基于巖石物理體積模型建立近似的線(xiàn)性方程組來(lái)優(yōu)化求解。這種做法在巖性簡(jiǎn)單的常規(guī)地層應(yīng)用問(wèn)題不大,但在復(fù)雜巖性地層中,測(cè)井響應(yīng)與物性參數(shù)呈非線(xiàn)性關(guān)系,需要結(jié)合當(dāng)?shù)氐牡刭|(zhì)情況進(jìn)行相應(yīng)的調(diào)整。同樣,以聲波全波形測(cè)井資料應(yīng)用為例,復(fù)雜環(huán)境下波形多變,需要經(jīng)驗(yàn)豐富的專(zhuān)家來(lái)識(shí)別。此外,基于數(shù)值模擬的方法存在耗時(shí)久、運(yùn)算量大等問(wèn)題。因此,從業(yè)人員已經(jīng)開(kāi)始探索更為高效可靠的解決方式:采用基于人工智能、機(jī)器學(xué)習(xí)的測(cè)井資料智能處理方法。

同圖2(a)提到的模型驅(qū)動(dòng)方法相比,基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法[見(jiàn)圖2(b)]通過(guò)探索數(shù)據(jù)本身內(nèi)存在的更大函數(shù)空間(見(jiàn)圖3)[10],以新的視角挖掘數(shù)據(jù)內(nèi)潛在的知識(shí),將數(shù)據(jù)與目標(biāo)(或稱(chēng)為標(biāo)簽)相聯(lián)系,以非線(xiàn)性方式,從高維空間中發(fā)現(xiàn)變量間關(guān)系[22-24]。隨著計(jì)算成本和運(yùn)行時(shí)間的減少,內(nèi)存、網(wǎng)絡(luò)深度和可用數(shù)據(jù)樣本的不斷增加,Scikit-Learn[25]、Tensorflow[26]等易于實(shí)現(xiàn)的機(jī)器學(xué)習(xí)算法庫(kù)的開(kāi)源使用,傳統(tǒng)機(jī)器學(xué)習(xí)算法及更多新算法可以在學(xué)術(shù)和商業(yè)環(huán)境中方便各行業(yè)的人們使用。

圖2 地球物理測(cè)井領(lǐng)域的2種數(shù)據(jù)分析工作流

圖3 人工智能適合于地球物理測(cè)井領(lǐng)域的原因(圖片重制自Bergen等[17])

2 測(cè)井資料智能解釋現(xiàn)狀

從測(cè)井資料中識(shí)別儲(chǔ)層的巖性及沉積相是地下儲(chǔ)層建模及地下資源開(kāi)發(fā)的關(guān)鍵。巖性及沉積相分析的常見(jiàn)方法有測(cè)井曲線(xiàn)解釋、巖心分析等。常規(guī)測(cè)井曲線(xiàn)[27]是記錄井眼巖石物理性質(zhì)最直接也最基本的方法,包括電法測(cè)井、核測(cè)井、聲波測(cè)井等。鉆井液對(duì)電阻率測(cè)井曲線(xiàn)的侵入效應(yīng)受孔隙尺寸、孔喉尺寸、迂曲度和Maxwell-Wagner極化的影響,這些影響與孔隙尺寸分布相關(guān);中子測(cè)井對(duì)地層中流體含氫量敏感,而氫原子含量又與地層平均孔隙度高度相關(guān);伽馬射線(xiàn)用于測(cè)量地層中的自然輻射,同砂巖、石灰?guī)r相比,含有黏土的巖石能夠釋放出更多的伽馬射線(xiàn),可用于計(jì)算泥質(zhì)含量;密度測(cè)井可直接顯示井下流體和礦物體積濃度關(guān)系。巖心分析[28]則可獲得關(guān)于礦物學(xué)、化學(xué)成分、物理特性(孔隙度、滲透率)等信息。

早期研究中,根據(jù)2種不同的測(cè)井曲線(xiàn)繪制交會(huì)圖,運(yùn)用判別分析或簡(jiǎn)單基于截?cái)嘀档姆治龇椒纯傻玫綆r相及孔隙度分類(lèi)信息[29]。而隨著測(cè)井技術(shù)的不斷發(fā)展、面臨的測(cè)量環(huán)境更加復(fù)雜,有必要在實(shí)際工程中進(jìn)行更為細(xì)致的巖相劃分,對(duì)地下介質(zhì)性質(zhì)分析的精度要求也逐漸提高。常規(guī)測(cè)井曲線(xiàn)間隱藏著復(fù)雜的關(guān)系,雖然不同曲線(xiàn)可以感知不同的物理現(xiàn)象和地層性質(zhì),但某些測(cè)井曲線(xiàn)的組合往往相互關(guān)聯(lián),簡(jiǎn)單的線(xiàn)性判別分析方法難以滿(mǎn)足需求。雖然巖心分析可以精確獲取整個(gè)工區(qū)地下介質(zhì)的多種物理參數(shù)信息,但耗時(shí)較多。受人工智能監(jiān)督學(xué)習(xí)領(lǐng)域發(fā)展的啟發(fā),大量研究以測(cè)井曲線(xiàn)等序列數(shù)據(jù)及對(duì)應(yīng)的巖相解釋結(jié)果或敏感參數(shù)作為算法模型輸入,訓(xùn)練機(jī)器學(xué)習(xí)算法,以建立已有數(shù)據(jù)和待求參數(shù)間的映射關(guān)系,借此實(shí)現(xiàn)測(cè)井資料的近實(shí)時(shí)解釋。由于老油田積累的一些巖心分析結(jié)果和專(zhuān)家的解釋結(jié)果有利于建立穩(wěn)定的機(jī)器學(xué)習(xí)模型,這些穩(wěn)定模型將有望應(yīng)用于新的測(cè)井資料,并取得非常好的效果。基于此,筆者匯總了人工智能在測(cè)井資料智能解釋中的應(yīng)用,并對(duì)智能方法未來(lái)的發(fā)展道路提出了一些展望。

2.1 常規(guī)測(cè)井資料模式識(shí)別任務(wù)

手寫(xiě)數(shù)字體的識(shí)別,即通過(guò)訓(xùn)練算法學(xué)習(xí)手寫(xiě)數(shù)字體圖片和各數(shù)字標(biāo)簽之間的映射關(guān)系,是機(jī)器學(xué)習(xí)中經(jīng)典的學(xué)習(xí)案例之一。這些算法能夠綜合考慮數(shù)字的各種特點(diǎn),完成分類(lèi)任務(wù)。利用測(cè)井曲線(xiàn)進(jìn)行巖相智能分類(lèi)類(lèi)似于手寫(xiě)數(shù)字體識(shí)別。對(duì)同一地層,不同的測(cè)井曲線(xiàn)提供了不同的屬性信息,且曲線(xiàn)之間相互補(bǔ)充,綜合使用可以更好地區(qū)分井下介質(zhì)的巖相類(lèi)型。通過(guò)構(gòu)建輸入測(cè)井曲線(xiàn)和標(biāo)簽(專(zhuān)家解釋或巖心分析得到的巖相結(jié)果)之間完備的數(shù)據(jù)集,訓(xùn)練監(jiān)督學(xué)習(xí)模型用于巖相分類(lèi),能夠?yàn)檫€未經(jīng)專(zhuān)家解釋的地區(qū)進(jìn)行巖相分類(lèi)。該類(lèi)研究在近年來(lái)較為熱門(mén),在2007年Dubois等[30]利用了7種分類(lèi)器研究了測(cè)井曲線(xiàn)巖相分類(lèi)問(wèn)題,包括利用貝葉斯準(zhǔn)則方法的經(jīng)典分類(lèi)法(即二維或三維交會(huì)圖)和3種非參數(shù)方法(模糊邏輯方法、K-最近鄰、BP神經(jīng)網(wǎng)絡(luò))。結(jié)果表明,基于判別分析的經(jīng)典線(xiàn)性分類(lèi)方法(如交會(huì)圖)[31]在某些應(yīng)用場(chǎng)景會(huì)存在分類(lèi)不充分的問(wèn)題。非參數(shù)方法中,BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大非線(xiàn)性映射能力,可以很好地實(shí)現(xiàn)測(cè)井曲線(xiàn)的巖相分類(lèi)任務(wù)。相關(guān)數(shù)據(jù)集由Hall[31]加以整理,供從業(yè)人員進(jìn)行方法測(cè)試和復(fù)現(xiàn)。Ouadfeul等[32]采用自組織映射(Self-Organized Maps,SOM)與多層感知機(jī)(Multilayer Perceptron,MLP),以及將傳統(tǒng)信號(hào)分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法,驗(yàn)證了神經(jīng)網(wǎng)絡(luò)在巖相自動(dòng)分割任務(wù)中的有效性,并獲得了優(yōu)于傳統(tǒng)方法的結(jié)果。基于決策樹(shù)的多種分類(lèi)器也被用于巖相分類(lèi)研究,如隨機(jī)森林[33]、梯度提升樹(shù)[34]、XGBoost提升樹(shù)[35]等。Ao等[36]結(jié)合Mean-shift算法與隨機(jī)森林算法,從原型相似度的角度進(jìn)行巖性識(shí)別,取得了優(yōu)于直接采用決策樹(shù)等算法的效果。Jaikla等[22]提出FaciesNet,用于捕獲地質(zhì)信息、疊加模式的巖相及地質(zhì)相關(guān)性,模型將卷積自編碼器(Convolutional Autoencoder,CAE)與雙向遞歸神經(jīng)網(wǎng)絡(luò)(Bi-directional Recurrent Neural Networks,BRNNs)相結(jié)合,用于預(yù)測(cè)測(cè)井曲線(xiàn)資料中具有地質(zhì)意義的巖相,實(shí)現(xiàn)了儲(chǔ)層相與非儲(chǔ)層相的分割。Feng[37]將ANN與隱馬爾科夫模型(Hidden Markov Models,HMM)方法結(jié)合,以?xún)?chǔ)層研究巖相的概率分布,結(jié)合統(tǒng)計(jì)學(xué)及地質(zhì)學(xué)的角度實(shí)現(xiàn)分類(lèi)過(guò)程,取得了優(yōu)于其他分類(lèi)方法的性能。此外,疊前地震資料等地震數(shù)據(jù)也可以被從業(yè)人員存儲(chǔ)為與測(cè)井曲線(xiàn)類(lèi)似的序列數(shù)據(jù),部分研究通過(guò)利用疊前地震資料等地震數(shù)據(jù),實(shí)現(xiàn)了在更大空間尺度上的巖相識(shí)別:Hami-Eddine等[38]利用地震數(shù)據(jù)作為巖相預(yù)測(cè)的傳遞手段,結(jié)合測(cè)井曲線(xiàn)數(shù)據(jù)的巖相識(shí)別結(jié)果,訓(xùn)練神經(jīng)網(wǎng)絡(luò)從地震數(shù)據(jù)中尋找可用于巖性分布和不確定性預(yù)測(cè)的模式。

類(lèi)似測(cè)井曲線(xiàn)的儲(chǔ)層及沉積相分類(lèi)任務(wù),從常規(guī)固井測(cè)井資料中獲得的水泥膠結(jié)質(zhì)量評(píng)價(jià)信息也可作為監(jiān)督學(xué)習(xí)目標(biāo),實(shí)現(xiàn)固井質(zhì)量自動(dòng)評(píng)價(jià)。相關(guān)研究[39-41]按水平好壞劃分出若干表征固井質(zhì)量的類(lèi)別相(如膠結(jié)質(zhì)量好、一般、較差等)。整個(gè)工作流程以測(cè)井?dāng)?shù)據(jù)作為輸入向量,以質(zhì)量類(lèi)別相作為目標(biāo)向量,訓(xùn)練得到能夠自動(dòng)輸出盲井的固井質(zhì)量評(píng)價(jià)結(jié)果的監(jiān)督學(xué)習(xí)模型。具體的,Reolon等[40]結(jié)合MRGC(Multi-Resolution Graph-based Clustering)聚類(lèi)手段與貝葉斯框架,實(shí)現(xiàn)了井下水泥膠結(jié)相、水力間隔相的分類(lèi),并給出了分類(lèi)相概率及不確定性。Viggen等[41]則設(shè)計(jì)特征工程方法,采用領(lǐng)域知識(shí)從測(cè)井資料中提取特征,獲得了更好的分類(lèi)效果。相關(guān)方法雖然還不能完全替代人工解釋,但足以作為人工解釋過(guò)程中的重要輔助資料,極大提升固井質(zhì)量解釋效率。

綜上所述,相較于傳統(tǒng)信號(hào)處理方法,基于機(jī)器學(xué)習(xí)方法,建立非線(xiàn)性映射的處理方法,對(duì)巖相識(shí)別任務(wù)準(zhǔn)確度有極大的提升。同時(shí),更先進(jìn)的算法,以及針對(duì)特定任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì),還能夠更好地實(shí)現(xiàn)諸如儲(chǔ)層相與非儲(chǔ)層相的分割、固井質(zhì)量評(píng)價(jià)等衍生任務(wù)。

2.2 常規(guī)測(cè)井資料參數(shù)反演任務(wù)

與分類(lèi)任務(wù)類(lèi)似,機(jī)器學(xué)習(xí)的回歸算法也被廣泛應(yīng)用于測(cè)井資料解釋中。該類(lèi)方法主要是通過(guò)建立已有測(cè)井曲線(xiàn)資料與地層參數(shù)之間的樣本數(shù)據(jù)集合,訓(xùn)練機(jī)器學(xué)習(xí)算法的回歸模型,從而實(shí)現(xiàn)工區(qū)目標(biāo)參數(shù)的反演。如Meshalkin等[42]利用回歸算法反演測(cè)井資料中巖石熱導(dǎo)率。他們比較了K-means、ANN、高斯過(guò)程(Gaussian Process)、隨機(jī)森林、自適應(yīng)提升算法(Ada Boost)、梯度提升算法(Gradient Boosting)、極端隨機(jī)樹(shù)(Extra Trees)等監(jiān)督學(xué)習(xí)算法的反演結(jié)果,在不依靠額外參數(shù)的情況下直接預(yù)測(cè)不同深度的巖石熱導(dǎo)率。Gasior等[43]則利用密度、聲波、中子、伽馬、井徑及電阻率等測(cè)井資料,采用多元回歸和神經(jīng)網(wǎng)絡(luò)方法建立數(shù)學(xué)模型,實(shí)現(xiàn)了連續(xù)導(dǎo)熱值系數(shù)的反演,與實(shí)驗(yàn)數(shù)據(jù)具有較好的一致性。Li等[44]提出一種基于深度CNN評(píng)價(jià)隨鉆電阻率測(cè)井的地層幾何參數(shù)的流程,將目標(biāo)檢測(cè)領(lǐng)域中的智能方法(You Only Look Once,YOLO)應(yīng)用于隨鉆電阻率測(cè)井地質(zhì)導(dǎo)向任務(wù)中,以數(shù)值模擬的隨鉆測(cè)井資料作為輸入,實(shí)現(xiàn)了地層電阻率的反演。Kisra等[45]通過(guò)搭建CNN,以原始聲波測(cè)井資料作為輸入,實(shí)現(xiàn)了地層縱波和橫波慢度的近實(shí)時(shí)反演。Li等[46]采用井下磁共振測(cè)井?dāng)?shù)據(jù),選擇長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)(Long-short Term Memory,LSTM)、變分自編碼器(Variational Autoencoders,VAEs)模型用于合成核磁共振T2譜分布數(shù)據(jù),實(shí)現(xiàn)對(duì)含油氣頁(yè)巖儲(chǔ)層的充液孔隙大小分布的量化。Shahriari等[47]通過(guò)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了對(duì)井眼測(cè)量數(shù)據(jù)的實(shí)時(shí)反演,并利用LSTM實(shí)現(xiàn)了數(shù)據(jù)降維。該實(shí)時(shí)反演方法有望應(yīng)用于隨鉆測(cè)井(Logging While Drilling,LWD)技術(shù),提升井下測(cè)量信息的實(shí)時(shí)傳輸效率。Garcia等[48]結(jié)合ANN與無(wú)監(jiān)督學(xué)習(xí)方法,對(duì)缺省的光電因子參數(shù)進(jìn)行了反演重建,并基于重建資料,采用無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)方法改進(jìn)了巖相分類(lèi)效果,并量化了巖石物理性質(zhì)分配的不確定性。可見(jiàn),不論是經(jīng)典機(jī)器學(xué)習(xí)算法還是深度學(xué)習(xí)算法,在測(cè)井曲線(xiàn)解釋任務(wù)上均有較好表現(xiàn)。然而,現(xiàn)有研究[42]也表明,忽略數(shù)據(jù)集本身特點(diǎn)而盲目選用先進(jìn)算法,不一定會(huì)改善測(cè)井曲線(xiàn)的解釋效果。因此,近來(lái)研究大都選用多種方法,通過(guò)對(duì)比擇優(yōu)更好地實(shí)現(xiàn)測(cè)井曲線(xiàn)參數(shù)反演。

3 測(cè)井資料智能解釋思考及展望

前文主要闡述了測(cè)井領(lǐng)域中應(yīng)用較為系統(tǒng)及廣泛的人工智能應(yīng)用。顯然,人工智能在測(cè)井領(lǐng)域中的應(yīng)用遠(yuǎn)不止所列出的方面。然而,這些應(yīng)用由于起步時(shí)間較短,還未形成較為完善的工作流程。筆者將簡(jiǎn)述已有的基于測(cè)井資料的創(chuàng)新解釋流程,這些方法還未大量見(jiàn)諸于地球物理測(cè)井領(lǐng)域,但對(duì)于測(cè)井行業(yè)的未來(lái)有一定的指導(dǎo)性意義,可供相關(guān)從業(yè)人員借鑒。

3.1 基于機(jī)器學(xué)習(xí)的智能正演過(guò)程探索

相比于常規(guī)測(cè)井曲線(xiàn)或成像測(cè)井等,陣列聲波測(cè)井則是另一種高分辨率測(cè)井方法,可用于求解地下介質(zhì)參數(shù)及表征儲(chǔ)層特征。陣列聲波測(cè)井?dāng)?shù)據(jù)量豐富,為消除冗余信息,一般需要從陣列波形中提取某些敏感特征(如頻散曲線(xiàn)),再將提取的特征與基于假定模型的數(shù)值模擬的特征對(duì)比,通過(guò)最小化觀(guān)測(cè)數(shù)據(jù)和合成數(shù)據(jù)間差異的Misfit函數(shù),不斷更新正演模型并最終得到同實(shí)測(cè)數(shù)據(jù)對(duì)應(yīng)的相關(guān)模型參數(shù)。這其中存在3個(gè)問(wèn)題。

(1)陣列波形中敏感特征的提取。目前針對(duì)復(fù)雜井孔模型陣列波形敏感特征的提取研究一直是聲波測(cè)井領(lǐng)域的重要議題之一,也是聲波測(cè)井資料應(yīng)用的難點(diǎn)之一。

(2)大量的正演模擬。井孔聲學(xué)的正演模擬一直是聲波測(cè)井研究中較為困難的一環(huán)。雖然隨著科研人員計(jì)算機(jī)知識(shí)的豐富,正演模擬已經(jīng)不再遙不可及,但復(fù)雜井孔環(huán)境的數(shù)值模擬仍需要一定的技巧。同時(shí),盡管并行計(jì)算等高性能手段能夠在一定程度上加快計(jì)算速度,但大量的正演模擬仍需要較多的計(jì)算時(shí)間,使得現(xiàn)場(chǎng)應(yīng)用受限。此外,目前的正演過(guò)程采用的是基于物理驅(qū)動(dòng)的模型,可能會(huì)忽略變量之間的隱含關(guān)系。

(3)快速準(zhǔn)確的反演。目前反演方法大多為全局優(yōu)化非線(xiàn)性方法,如模擬退火算法[49]等已被應(yīng)用到了偶極聲波測(cè)井反演地層各向異性研究中[50-51]。但反演過(guò)程仍存在耗時(shí)的問(wèn)題,難以達(dá)到現(xiàn)場(chǎng)應(yīng)用的實(shí)時(shí)性要求。

為了滿(mǎn)足現(xiàn)場(chǎng)應(yīng)用的實(shí)時(shí)性需求,從全波資料中挖掘更多的有用信息,目前的一種可能思路是利用機(jī)器學(xué)習(xí)方法來(lái)縮短以上過(guò)程(見(jiàn)圖4),以盡可能地利用全波資料同時(shí)達(dá)到實(shí)時(shí)解釋的效果。在地震資料處理領(lǐng)域,已有研究[52]將模型參數(shù)作為網(wǎng)絡(luò)學(xué)習(xí)目標(biāo),訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),直接預(yù)測(cè)了輸入實(shí)際數(shù)據(jù)對(duì)應(yīng)的模型參數(shù)資料。但對(duì)于測(cè)井領(lǐng)域,由于井下環(huán)境的復(fù)雜性,根據(jù)少量井下介質(zhì)表征參數(shù)(如井徑、單一地層縱橫波速度等)建立的數(shù)值模擬模型因缺乏對(duì)實(shí)際環(huán)境的周密考慮,且由于復(fù)雜環(huán)境下的有限元、有限差分等數(shù)值模擬建模計(jì)算量大,難以滿(mǎn)足實(shí)際生產(chǎn)過(guò)程中反演過(guò)程的準(zhǔn)確性和時(shí)效性。諸多現(xiàn)狀表明,直接建立效果良好的智能反演算法任重道遠(yuǎn)。

圖4 同基于物理驅(qū)動(dòng)的數(shù)值模擬模型相結(jié)合的機(jī)器學(xué)習(xí)全波形反演流程展望

目前有學(xué)者對(duì)此開(kāi)展了一些工作。如2019年,Giannakis等[53]探尋了基于機(jī)器學(xué)習(xí)的快速正演方法。他們通過(guò)訓(xùn)練特殊的深度神經(jīng)網(wǎng)絡(luò),近實(shí)時(shí)地獲得了與數(shù)值模擬正演結(jié)果匹配良好的機(jī)器學(xué)習(xí)正演結(jié)果,極大節(jié)省了探地雷達(dá)正演的計(jì)算成本。這也為地球物理測(cè)井領(lǐng)域帶來(lái)啟發(fā):借助機(jī)器學(xué)習(xí)強(qiáng)大的非線(xiàn)性擬合能力,以較為完備的模型參數(shù)向量集作為輸入,通過(guò)將模型正演結(jié)果作為目標(biāo)輸出,以替代耗時(shí)費(fèi)力的數(shù)值模擬正演過(guò)程。相關(guān)方法已經(jīng)見(jiàn)諸于套管井頻散曲線(xiàn)正演應(yīng)用中:斯倫貝謝公司道爾研究中心的科研人員在其智能化處理平臺(tái)上掛接了智能化的井外地層徑向速度成像方法[2],針對(duì)實(shí)際數(shù)據(jù)處理過(guò)程中多層柱體模型頻散曲線(xiàn)求取病態(tài)問(wèn)題而引起的計(jì)算速度慢的問(wèn)題,利用神經(jīng)網(wǎng)絡(luò)方法替代頻散曲線(xiàn)正演解算器,實(shí)現(xiàn)了頻散曲線(xiàn)快速正演。隨著正演過(guò)程的不斷完善和提速,在不久的將來(lái),機(jī)器學(xué)習(xí)模型可以貫穿于整個(gè)全波形聲波測(cè)井資料的反演過(guò)程,為智能反演速度帶來(lái)數(shù)量級(jí)提升,從而滿(mǎn)足現(xiàn)場(chǎng)應(yīng)用的實(shí)時(shí)性要求。

3.2 結(jié)合常規(guī)測(cè)井資料及成像測(cè)井資料的模式識(shí)別任務(wù)

結(jié)合智能解釋方法,常規(guī)測(cè)井曲線(xiàn)從數(shù)學(xué)及統(tǒng)計(jì)學(xué)層面反映了儲(chǔ)層巖石物理性質(zhì)和沉積相信息。高分辨率井下成像儀器能夠真實(shí)地從視覺(jué)角度觀(guān)察到豐富的地質(zhì)信息。成像測(cè)井資料經(jīng)圖像處理方法,如Hough變換[54]、結(jié)合灰度直方圖的閾值分割Otsu算法[55]、邊緣檢測(cè)濾波[56]、形態(tài)學(xué)濾波[57-58]等,可實(shí)現(xiàn)裂縫、斷層識(shí)別。發(fā)展至今,成像測(cè)井領(lǐng)域積累了大量高分辨率井下圖像數(shù)據(jù),隨深度學(xué)習(xí)在圖像分割領(lǐng)域的不斷發(fā)展,深度學(xué)習(xí)方法在基于圖像的模式識(shí)別任務(wù)中表現(xiàn)出比傳統(tǒng)方法更好的性能[59]。這些方法最早在勘探地震資料上加以應(yīng)用,如Wu等[60]提出FaultSeg3D網(wǎng)絡(luò),該網(wǎng)絡(luò)結(jié)合醫(yī)學(xué)影像分割領(lǐng)域中應(yīng)用廣泛的U-Net網(wǎng)絡(luò),利用大量合成數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),實(shí)現(xiàn)了對(duì)三維工區(qū)的斷層檢測(cè),引領(lǐng)了一波基于深度學(xué)習(xí)的地震數(shù)據(jù)斷層檢測(cè)浪潮。對(duì)于成像測(cè)井領(lǐng)域,成像資料一方面缺少大量可靠且質(zhì)量統(tǒng)一的標(biāo)簽數(shù)據(jù)集;另一方面,受測(cè)量盲區(qū)的影響,成像資料中存在寬尺度條帶的缺失,給算法的特征提取帶來(lái)一定干擾。因此,相關(guān)研究還不夠成熟。已有研究中,Cruz等[61]提出了基于深度學(xué)習(xí)進(jìn)行斷層與裂縫識(shí)別的工作流程,通過(guò)Hough變換發(fā)現(xiàn)可能的斷層及裂縫,并利用深度學(xué)習(xí)確定其是否為斷層及裂縫;Dias等[62]則建立了快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast Region Convolutional Neural Networks,Fast-RCNN)自動(dòng)從模擬的井眼聲波測(cè)井圖像中拾取裂縫與斷層,并給出所拾取的目標(biāo)的置信度。

裂縫、斷層在成像測(cè)井圖像中直觀(guān)而明顯,因此,業(yè)界人員通常從成像測(cè)井資料中獲取井下裂縫、斷層等圖像信息。常規(guī)圖像處理手段對(duì)井眼圖像進(jìn)行分析具有簡(jiǎn)單易行的優(yōu)勢(shì),但算法對(duì)于圖像失真、圖像噪聲高度敏感,具有不穩(wěn)定的特點(diǎn)。結(jié)合機(jī)器學(xué)習(xí)的裂縫、斷層自動(dòng)拾取手段又因標(biāo)簽數(shù)據(jù)的缺乏,難以用于實(shí)際工程數(shù)據(jù)分析研究。近年來(lái),在機(jī)器學(xué)習(xí)方法的幫助下,利用成像測(cè)井圖像資料估算孔隙度、滲透率,甚至實(shí)現(xiàn)地層解釋的任務(wù)逐漸涌現(xiàn),并取得了很好的效果。這些方法很好地利用了成像測(cè)井資料分辨率高的優(yōu)勢(shì),并提升了井下參數(shù)在空間上的精確度。Valentin等[24]將不同測(cè)深處的井眼圖像數(shù)據(jù)轉(zhuǎn)換為紋理信息,以此保留測(cè)深周?chē)谔幱^(guān)察到的地質(zhì)構(gòu)造信息,并基于堆棧自編碼器構(gòu)建深度編碼-解碼模型,利用井眼圖像數(shù)據(jù)對(duì)地層滲透率和孔隙度進(jìn)行了有效估計(jì),在測(cè)試數(shù)據(jù)集精度達(dá)到了96%;Al-Obaidi等[63]將井眼成像測(cè)井?dāng)?shù)據(jù)中提取的基于圖像的巖石結(jié)構(gòu)相關(guān)的特征與常規(guī)測(cè)井資料及常規(guī)巖心分析數(shù)據(jù)相結(jié)合,實(shí)現(xiàn)了巖相及巖石類(lèi)別的檢測(cè);Gonzalez等[64]采用圖像分析方法將電成像測(cè)井資料提取為基于圖像特征的巖石結(jié)構(gòu)參數(shù)變化曲線(xiàn),結(jié)合常規(guī)測(cè)井曲線(xiàn)信息,利用無(wú)監(jiān)督聚類(lèi)方法進(jìn)行巖相分類(lèi),為常規(guī)測(cè)井曲線(xiàn)進(jìn)行逐層聯(lián)合反演,并借此估計(jì)孔隙度、流體飽和度及總有機(jī)碳含量。

這些創(chuàng)新解釋方法表明,隨著人工智能及地球物理測(cè)井領(lǐng)域的不斷發(fā)展,從業(yè)人員有望基于機(jī)器學(xué)習(xí)強(qiáng)大的非線(xiàn)性映射能力,吸納更多來(lái)自新測(cè)井手段的有用信息,以跳出對(duì)測(cè)井資料的固有認(rèn)識(shí),獲得比現(xiàn)有智能巖相分類(lèi)、參數(shù)反演等更為可靠的預(yù)測(cè)結(jié)果。同時(shí),還可以通過(guò)不確定性分析,為地球物理測(cè)井分類(lèi)或回歸任務(wù)的精度和可靠性進(jìn)行評(píng)價(jià),并通過(guò)影響因素評(píng)價(jià)分析不同輸入資料的重要性,更系統(tǒng)地解釋測(cè)井手段蘊(yùn)含的深層次信息。

3.3 開(kāi)源數(shù)據(jù)集、標(biāo)簽數(shù)據(jù)擴(kuò)充及無(wú)監(jiān)督方法結(jié)合

為訓(xùn)練出用于測(cè)井?dāng)?shù)據(jù)智能解釋的魯棒性強(qiáng)、泛化性好的算法,需要可靠的標(biāo)簽數(shù)據(jù)集。計(jì)算機(jī)視覺(jué)、圖像處理領(lǐng)域作為機(jī)器學(xué)習(xí)發(fā)展的先導(dǎo)領(lǐng)域已經(jīng)證明:不斷涌現(xiàn)出的性能優(yōu)良的新模型離不開(kāi)高質(zhì)量數(shù)據(jù)集的幫助[59]。但是,在地球物理測(cè)井這樣一個(gè)垂直領(lǐng)域,由于測(cè)井儀器研發(fā)的成本昂貴、采集數(shù)據(jù)的成本較高,通常難以獲取足量且高質(zhì)量的、適用于機(jī)器學(xué)習(xí)任務(wù)的標(biāo)簽數(shù)據(jù)集。因此,對(duì)于地球物理測(cè)井領(lǐng)域,開(kāi)發(fā)及編譯大量高質(zhì)量具有代表性的標(biāo)簽數(shù)據(jù)集,有利于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法研究,并有望促進(jìn)計(jì)算機(jī)視覺(jué)等其他機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域的算法改進(jìn)。Hall[31]曾于2016年在The Leading Edge地球物理教程系列中,為地球物理從業(yè)人員展示了簡(jiǎn)單的基于機(jī)器學(xué)習(xí)的巖相分類(lèi)應(yīng)用(文中用到的分類(lèi)器為SVM)的工作流程。通過(guò)將相關(guān)數(shù)據(jù)集開(kāi)源,吸引了大量人員探索巖相分類(lèi)機(jī)器學(xué)習(xí)方法[34-35],并付諸于實(shí)際應(yīng)用[36],取得了優(yōu)于傳統(tǒng)方法的效果。

挪威Equinor公司[65]于2018年公開(kāi)了其在北海Volve油田測(cè)量的數(shù)據(jù),包含了來(lái)自挪威大陸架Volve油田從2008到2016年投產(chǎn)期間的約40 000個(gè)文件,用以支持學(xué)術(shù)機(jī)構(gòu)、學(xué)生和研究人員進(jìn)行能源創(chuàng)新智能研究。過(guò)去,測(cè)井?dāng)?shù)據(jù)格式紛繁復(fù)雜,學(xué)術(shù)界即便拿到數(shù)據(jù),也難以實(shí)現(xiàn)數(shù)據(jù)解編,而隨著該數(shù)據(jù)集中常用的測(cè)井?dāng)?shù)據(jù)格式DLIS的編輯、讀取方式公開(kāi)[66],多位學(xué)者基于此數(shù)據(jù)集進(jìn)行了相關(guān)的研究,取得了可觀(guān)的研究成果,如2.1節(jié)提到的挪威科技大學(xué)的Viggen等[39-41]以及Reolon等[40]的研究。美國(guó)科羅拉多礦業(yè)學(xué)院的Ghaithi等[67]則利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了Volve油田的橫波測(cè)井資料。

雖然行業(yè)逐漸意識(shí)到標(biāo)簽數(shù)據(jù)集對(duì)創(chuàng)新智能解釋?xiě)?yīng)用帶來(lái)的極大幫助,然而,受限于現(xiàn)有數(shù)據(jù)集,需多次訓(xùn)練[24]或設(shè)計(jì)復(fù)雜的訓(xùn)練過(guò)程[53]以保證網(wǎng)絡(luò)性能。簡(jiǎn)單分類(lèi)器難以在測(cè)試集上得到優(yōu)良的分類(lèi)精度,而先進(jìn)算法因樣本數(shù)量有限難以獲得顯著的效果提升[68]。同時(shí),監(jiān)督學(xué)習(xí)算法只能為測(cè)試集數(shù)據(jù)分配訓(xùn)練集中存在的標(biāo)簽類(lèi)別。以巖相分類(lèi)應(yīng)用為例:訓(xùn)練數(shù)據(jù)僅包含砂巖、頁(yè)巖及碳酸鹽巖的巖相標(biāo)簽,輸入模型的測(cè)試數(shù)據(jù)將只能被預(yù)測(cè)為這些巖相標(biāo)簽。對(duì)于實(shí)際工區(qū)數(shù)據(jù),若測(cè)試數(shù)據(jù)確實(shí)存在新的巖相,已有模型將無(wú)法正確為這些巖相樣本做出正確預(yù)測(cè)。因此,如何設(shè)計(jì)新方法,以降低對(duì)完備數(shù)據(jù)集的需求程度,有極大的研究意義。

機(jī)器學(xué)習(xí)的發(fā)展使得數(shù)據(jù)分析人員可以根據(jù)數(shù)據(jù)特點(diǎn)選擇最合適的處理方法。經(jīng)典聚類(lèi)算法(如K-Means)在計(jì)算給定的含有多個(gè)數(shù)據(jù)樣本的低維度樣本集時(shí),能夠很快地將它們劃分為K個(gè)分區(qū)。在成像測(cè)井領(lǐng)域,Yamada等[69]結(jié)合圖像分割技術(shù)與無(wú)監(jiān)督方法,通過(guò)計(jì)算井眼圖像各個(gè)深度的邊界似然值,并用聚類(lèi)算法為相似邊界進(jìn)行聚類(lèi)以構(gòu)造標(biāo)簽參考區(qū)域。但該方法對(duì)于成像資料分辨率及成像質(zhì)量要求較高,一般工區(qū)難以實(shí)現(xiàn)。聚類(lèi)方法也可以根據(jù)常規(guī)測(cè)井資料內(nèi)不同深度的相似特征自動(dòng)將不同深度歸為相同的簇[23],但歸類(lèi)后各深度的地質(zhì)意義仍需要資深的測(cè)井解釋人員來(lái)分析。在這些應(yīng)用中,不同測(cè)量深度所對(duì)應(yīng)的不同測(cè)井曲線(xiàn)值被視為代表該測(cè)深巖相特征的向量。聚類(lèi)算法為不同測(cè)深的特征向量聚類(lèi),以類(lèi)比真實(shí)的巖相分類(lèi),取得了一定效果。當(dāng)數(shù)據(jù)維度增大,利用經(jīng)典算法進(jìn)行聚類(lèi)分析將十分耗時(shí),聚類(lèi)效果也會(huì)受到影響。隨著深度學(xué)習(xí)卷積層為深度學(xué)習(xí)算法帶來(lái)的飛躍式發(fā)展[11],這一問(wèn)題得到了一定改善。同樣以手寫(xiě)數(shù)字體識(shí)別為例,可以利用CAE獲取手寫(xiě)數(shù)字體的深度表征,并將其用于聚類(lèi)分析,以降低聚類(lèi)方法的時(shí)耗,顯著提升聚類(lèi)效果[70],該方法以新角度改善了標(biāo)簽不足的問(wèn)題。相關(guān)思路已經(jīng)見(jiàn)諸于地球物理領(lǐng)域,如Qian等[71]通過(guò)設(shè)計(jì)CAE對(duì)疊前地震數(shù)據(jù)進(jìn)行特征提取,并為所提取特征執(zhí)行聚類(lèi)分配,實(shí)現(xiàn)了地震相識(shí)別。Wen等[72]在Qian的基礎(chǔ)上設(shè)計(jì)了多種損失函數(shù),得到更好的重構(gòu)效果,在一定程度上改善了聚類(lèi)效果,但并未將聚類(lèi)損失納入網(wǎng)絡(luò)訓(xùn)練中。Nalepa等[73]將三維卷積自編碼器架構(gòu)用于遙感高光譜圖像的特征學(xué)習(xí),并將嵌入式特征用于聚類(lèi),這種聚類(lèi)是在網(wǎng)絡(luò)訓(xùn)練過(guò)程中進(jìn)行的,即在損失函數(shù)中加入了加權(quán)聚類(lèi)損失,同時(shí)考慮嵌入式特征層設(shè)計(jì)對(duì)算法性能的影響,實(shí)現(xiàn)了對(duì)無(wú)標(biāo)簽數(shù)據(jù)的分割。Duan等[74]同樣將編碼器提取的深度表征與聚類(lèi)分配之間的散度作為聯(lián)合損失,以提升編碼器表征提取能力,獲得更佳的聚類(lèi)效果。

隨著深度聚類(lèi)方法在勘探地震領(lǐng)域取得成功,這些方法也有望從新的角度幫助測(cè)井從業(yè)人員對(duì)數(shù)據(jù)集進(jìn)行解釋,以改善測(cè)井資料智能解釋中普遍存在的數(shù)據(jù)集不足等問(wèn)題。例如,針對(duì)成像測(cè)井資料,可設(shè)計(jì)具有一定深度的表征學(xué)習(xí)網(wǎng)絡(luò)(如深度卷積自編碼器),用于提取成像測(cè)井資料的嵌入式特征(見(jiàn)圖5)。選擇合適的聚類(lèi)方法對(duì)嵌入式特征執(zhí)行聚類(lèi)分配,可改善成像測(cè)井資料分類(lèi)任務(wù)精度,幫助實(shí)現(xiàn)高質(zhì)量?jī)?chǔ)層模型建立及精細(xì)的儲(chǔ)層解釋。如Lima等[75]率先做出相關(guān)嘗試,并給出了相應(yīng)的聚類(lèi)簇中各個(gè)成像資料所蘊(yùn)含的巖相信息解釋,節(jié)省了人工解釋時(shí)間。相關(guān)方法或許仍難以完全替代巖心分析、專(zhuān)家解釋,但可作為人工解釋或完備數(shù)據(jù)集制作等工作的先導(dǎo)研究,極大節(jié)省從業(yè)人員在數(shù)據(jù)預(yù)處理、數(shù)據(jù)集準(zhǔn)備過(guò)程中耗費(fèi)的時(shí)間和精力,更好地推動(dòng)智能方法在測(cè)井領(lǐng)域的應(yīng)用。目前筆者的課題組在這個(gè)方向已經(jīng)取得了初步的成果。

圖5 用于成像測(cè)井資料的深度聚類(lèi)方法示意圖(圖片重制自L(fǎng)ima等[75])

4 總 結(jié)

通過(guò)介紹人工智能、機(jī)器學(xué)習(xí)相關(guān)概念及其分類(lèi),將基于物理模型的傳統(tǒng)建模方法和基于機(jī)器學(xué)習(xí)手段的智能方法進(jìn)行對(duì)比,簡(jiǎn)述了人工智能方法對(duì)于地球物理測(cè)井領(lǐng)域數(shù)據(jù)分析任務(wù)的適用性。用這些方法探索更大的函數(shù)空間,以非線(xiàn)性方式從高維空間中發(fā)現(xiàn)變量間的關(guān)系。并從2類(lèi)發(fā)展較為系統(tǒng)的常規(guī)測(cè)井資料智能解釋領(lǐng)域(常規(guī)測(cè)井資料巖相分類(lèi)和參數(shù)反演)列舉了這些智能算法的工作流程。最后,筆者從3個(gè)方面為測(cè)井資料智能解釋的未來(lái)發(fā)展提出了思考及展望。

(1)借助大量理論模型正演資料,機(jī)器學(xué)習(xí)方法或能作為數(shù)值模擬方法的替代模型。

(2)開(kāi)發(fā)適用于更多來(lái)自新手段的測(cè)井資料的機(jī)器學(xué)習(xí)智能解釋工作流,可為傳統(tǒng)智能巖相分類(lèi)及參數(shù)反演等任務(wù)帶來(lái)更好的效果。

(3)如何高效擴(kuò)充開(kāi)源數(shù)據(jù)集或結(jié)合無(wú)監(jiān)督手段提升智能算法表現(xiàn),值得從業(yè)人員思考。

除了上述3點(diǎn)思考和展望外,還有不少新進(jìn)展:如基于計(jì)算機(jī)視覺(jué)的成像測(cè)井裂縫識(shí)別及數(shù)字巖心圖像重構(gòu);基于人工智能技術(shù)的測(cè)井儀器(基于集成電路技術(shù)發(fā)展定制化的測(cè)井芯片);基于邊緣計(jì)算、深度學(xué)習(xí)的測(cè)井資料壓縮(實(shí)現(xiàn)更快的數(shù)據(jù)傳輸);構(gòu)建測(cè)井云平臺(tái),利用大數(shù)據(jù)技術(shù)將機(jī)器學(xué)習(xí)方法應(yīng)用于海量測(cè)井?dāng)?shù)據(jù)的快速解釋等。

相信,隨著從業(yè)人員的不斷探索,人工智能、機(jī)器學(xué)習(xí)方法同地球物理測(cè)井領(lǐng)域?qū)?shí)現(xiàn)更為緊密的結(jié)合,帶來(lái)更多的進(jìn)展與突破。